Orodha ya Mbinu za kupinga AI x Jibu lisilo sahihi

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Jibu lisilo sahihi katika Mbinu za kupinga AI, ili uone udhaifu haraka. Panga kwa: Muda wa majibu (wastani) ↑.

Modeli zilizoonyeshwa

Jumla ya kushindwa

293

Modeli iliyoathirika zaidi

Mistral Small 4 4

Sababu za kushindwa

Jibu lisilo sahihi293 Hakufuata maelekezo33 Muundo wa ziada20 Hitilafu ya API14 Hakuna jibu4 Muda umeisha4

Kategoria

Mahususi kwa domeni412 Mbinu za kupinga AI293 Uandishi wa msimbo252 Utatuzi wa mafumbo201 Maarifa ya jumla168 Mchanganyiko68 Ufuataji wa maagizo61 Akili ya jumla59 Uchanganuzi na uchimbaji wa data41 Mwito wa zana3

140/140

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#165	Mistral Small 4 none	Mistral	4	3.4	$0.022	0/4	395ms
Jumla ya majaribio 4 Majaribio yenye makosa 4 Jumla ya gharama $0.022 Muda wa majibu (wastani) 395ms
#210	LFM2-24B-A2B none	Liquid	3	2.5	$0.001	0/3	471ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.001 Muda wa majibu (wastani) 471ms
#189	Mercury 2 none	Inception	4	3.0	$0.030	0/4	483ms
Jumla ya majaribio 4 Majaribio yenye makosa 4 Jumla ya gharama $0.030 Muda wa majibu (wastani) 483ms
#197	Grok 4.20 none	X AI	3	4.8	$0.057	1/4	501ms
Jumla ya majaribio 4 Majaribio yenye makosa 3 Jumla ya gharama $0.057 Muda wa majibu (wastani) 501ms
#205	Laguna Xs.2 none	Poolside	2	3.0	$0.004	0/4	534ms
Jumla ya majaribio 4 Majaribio yenye makosa 4 Jumla ya gharama $0.004 Muda wa majibu (wastani) 534ms
#118	Gemini 2.5 Flash none	Google	4	3.0	$0.017	0/4	582ms
Jumla ya majaribio 4 Majaribio yenye makosa 4 Jumla ya gharama $0.017 Muda wa majibu (wastani) 582ms
#208	Nemotron 3 Nano Omni 30b A3b Reasoning none	NVIDIA	2	4.8	$0.000	1/4	584ms
Jumla ya majaribio 4 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 584ms
#191	Grok 4.20 Beta none	X AI	4	4.0	$0.087	0/4	597ms
Jumla ya majaribio 4 Majaribio yenye makosa 4 Jumla ya gharama $0.087 Muda wa majibu (wastani) 597ms
#192	Laguna M.1 none	Poolside	3	3.4	$0.009	0/4	705ms
Jumla ya majaribio 4 Majaribio yenye makosa 4 Jumla ya gharama $0.009 Muda wa majibu (wastani) 705ms
#160	Laguna XS 2.1 none	Poolside	2	5.3	$0.008	1/4	755ms
Jumla ya majaribio 4 Majaribio yenye makosa 3 Jumla ya gharama $0.008 Muda wa majibu (wastani) 755ms
#103	Qwen3.5-27B none	Qwen	3	4.8	$0.090	1/4	788ms
Jumla ya majaribio 4 Majaribio yenye makosa 3 Jumla ya gharama $0.090 Muda wa majibu (wastani) 788ms
#201	Granite 4.1 8B none	IBM Granite	2	4.9	$0.007	1/4	844ms
Jumla ya majaribio 4 Majaribio yenye makosa 3 Jumla ya gharama $0.007 Muda wa majibu (wastani) 844ms
#88	Gemini 3.5 Flash minimal	Google	2	6.5	$0.300	2/4	892ms
Jumla ya majaribio 4 Majaribio yenye makosa 2 Jumla ya gharama $0.300 Muda wa majibu (wastani) 892ms
#159	GPT-5.6 Luna none	OpenAI	3	4.8	$0.142	1/4	901ms
Jumla ya majaribio 4 Majaribio yenye makosa 3 Jumla ya gharama $0.142 Muda wa majibu (wastani) 901ms
#136	GPT-5.4 Mini none	OpenAI	4	3.1	$0.095	0/4	929ms
Jumla ya majaribio 4 Majaribio yenye makosa 4 Jumla ya gharama $0.095 Muda wa majibu (wastani) 929ms

Chuja miundo

Modeli bora kwa Idadi ya Jibu lisilo sahihi

Idadi ya Jibu lisilo sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa

Mbinu za kupinga AI: Jibu lisilo sahihi

Chuja miundo

Modeli bora kwa Idadi ya Jibu lisilo sahihi

Idadi ya Jibu lisilo sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa